33、深入探索TensorFlow：数据处理与模型构建

深入探索TensorFlow：数据处理与模型构建

1. 数据洗牌、分批与重复操作

在使用随机梯度下降优化方法训练神经网络模型时，将训练数据以随机洗牌的批次形式输入至关重要。下面我们将详细介绍如何对数据集进行洗牌、分批和重复操作。

1.1 洗牌操作

洗牌操作可通过调用数据集对象的 .shuffle() 方法实现。示例代码如下：

tf.random.set_seed(1)
ds = ds_joint.shuffle(buffer_size=len(t_x))
for example in ds:
    print('  x:', example[0].numpy(),
          '  y:', example[1].numpy())

这里的 buffer_size 参数决定了在洗牌前数据集元素的分组数量。若 buffer_size 较小，可能无法完全随机化数据集。对于小数据集，选择较小的 buffer_size 可能会影响神经网络的预测性能，但在处理大数据集时，这种影响通常不明显。为确保每个周期的完全随机化，可将 buffer_size 设置为训练样本的数量。

1.2 分批操作

将数据集分批可通过调用 .batch() 方法实现。示例代码如下：

ds